Synthetic Data as a Tool to Combat Racial Bias in Medical AI: Utilizing Generative Models for Optimizing Early Detection of Melanoma in Fitzpatrick Skin Types IV–VI

KVAK, Daniel, Eva BŘEZINOVÁ, Marek BIROŠ a Robert HRUBÝ. Synthetic Data as a Tool to Combat Racial Bias in Medical AI: Utilizing Generative Models for Optimizing Early Detection of Melanoma in Fitzpatrick Skin Types IV–VI. In Ruidan Su, Yudong Zhang, Han Liu, Alejandro F Frangi. Proceedings of 2022 International Conference on Medical Imaging and Computer-Aided Diagnosis (MICAD 2022). 1. vyd. Singapore: Springer Publishing, 2023, s. 317-330, 584 s. ISBN 978-981-16-6774-9. Dostupné z: https://dx.doi.org/10.1007/978-981-16-6775-6_26.

Základní údaje

• Originální název: Synthetic Data as a Tool to Combat Racial Bias in Medical AI: Utilizing Generative Models for Optimizing Early Detection of Melanoma in Fitzpatrick Skin Types IV–VI
• Autoři: KVAK, Daniel, Eva BŘEZINOVÁ, Marek BIROŠ a Robert HRUBÝ.
• Vydání: 1. vyd. Singapore, Proceedings of 2022 International Conference on Medical Imaging and Computer-Aided Diagnosis (MICAD 2022), od s. 317-330, 584 s. 2023.
• Nakladatel: Springer Publishing

Další údaje

• Originální jazyk: angličtina
• Typ výsledku: Stať ve sborníku
• Stát vydavatele: Singapur
• Utajení: není předmětem státního či obchodního tajemství
• Forma vydání: tištěná verze "print"
• WWW: URL
• ISBN: 978-981-16-6774-9
• ISSN: 1876-1100
• Doi: http://dx.doi.org/10.1007/978-981-16-6775-6_26
• Klíčová slova anglicky: Autoregressive Models, Computer-Aided Diagnosis, Deep Learning, Generative Adversarial Networks, Melanoma, Synthetic Data, Zero-Shot Learning.
• Příznaky: Mezinárodní význam, Recenzováno

Anotace

Assistive tools to aid in skin cancer detection are experiencing an unprecedented rise with the accessibility of robust and accurate deep learning models. However, in the present applications, only a negligible number of dermatology images come from patients with Fitzpatrick skin types IV–VI, representing brown, dark brown or black skin, respectively. In this study, we demonstrate the utilization of Zero-Shot Text-to-Image autoregressive models to generate synthetic medical data for improved balance in training CAD classification models with minimized racial bias. Synthetically generated images of skin lesions were assessed by an experienced dermatologist using the ABCD rule and differential diagnostics, and subsequently validated using a pre-trained ResNet50V2 multi-class classification model.

Návaznosti

• MUNI/A/1551/2023, interní kód MU: Název: Rozvoj vědeckých aspektů simulačního vzdělávání na LF MU I.

Investor: Masarykova univerzita, Rozvoj vědeckých aspektů simulačního vzdělávání na LF MU I.